L‐Carnitine metabolism, protein turnover and energy expenditure in supplemented and exercised Labrador Retrievers
Notice bibliographique
Résumé
Abstract L‐Carnitine is critical for protection against bioaccumulation, long‐chain fatty acid transportation and energy production. Energy production becomes important as the body maintains lean mass, repairs muscles and recovers from oxidative stress. The aim was to investigate the effects of supplemented L‐carnitine on protein turnover (PT), energy expenditure (EE) and carnitine metabolism in muscle/serum of Labrador Retrievers. In a series of experiments, all dogs were fed a low‐carnitine diet and sorted into one of two groups: L‐carnitine (LC) supplemented daily with 125 mg L‐carnitine and 3.75 g sucrose or placebo (P) supplemented with 4 g sucrose daily. The experiments consisted of analyses of muscle/serum for L‐carnitine content (EXP1), a protein turnover experiment (EXP2) and analysis of substrate utilization via indirect calorimetry (EXP3). EXP1: 20 Labradors (10 M/10 F) performed a 13 week running regimen. L‐Carnitine content was analysed in the serum and biceps femoris muscle before/after a 24.1 km run. LC serum had higher total (p < .001; p = .001), free (p < .001; p = .001) and esterified (p = .001; p = .003) L‐carnitine pre‐ and post‐run respectively. LC muscle had significantly higher free L‐carnitine post‐run (p = .034). EXP2: 26 Labs (13 M/13 F) performed a 60‐day running regimen. For the final run, half of the Labradors from each treatment rested and half ran 24.1 km. Twenty‐four Labradors received isotope infusion, and then, a biopsy of the biceps femoris of all 26 Labradors was taken to determine PT. Resting/exercised LC had a lower fractional breakdown rate (FBR) versus P group (p = .042). LC females had a lower FBR v. P females (p = .046). EXP3: Respiration of 16 Labradors (8 M/8 F) was measured via indirect calorimetry over 15 week. All dogs ran on a treadmill for 30 min at 30% VO2 max (6.5 kph), resulting in higher maximum and mean EE in LC females v. P females (p = .021; p = .035). Implications for theory, practice and future research are discussed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».